Introducción al Módulo

En este módulo, aprenderás acerca de las aplicaciones del Aprendizaje

Automático en los distintos campos como lo son salud, banca,
telecomunicaciones, entre otros. Obtendrás una visión general sobre los temas
del Aprendizaje Automático, como el aprendizaje supervisado versus el
aprendizaje no supervisado y el uso de cada algoritmo. Igualmente,
comprenderás la ventaja de usar las librerías de Python para poder
implementar los modelos de Aprendizaje Automático.
Objetivos del Aprendizaje

• Dar ejemplos de Aprendizaje Automático.

• Mostrar las librerías de Python para el Aprendizaje Automático.

• Clasificar los algoritmos supervisados versus los no supervisados.

Introducción a aprendizaje automático

En este vídeo, te daré una introducción de alto nivel a Machine Learning.

Así que empecemos.
Esta es una muestra de célula humana extraída de un paciente.

Y esta célula tiene características … por ejemplo, su espesor de aglutinación

es 6, la uniformidad de tamaño celular es 1, su adhesión marginal es 1, y así.
Una de las preguntas más interesantes que podemos hacer, en este punto es:
"¿Es una célula benigna o maligna?"

En contraste con un tumor benigno, un tumor maligno es un tumor que puede

invadir el tejido adyacente o diseminarse alrededor del cuerpo, y diagnosticarlo
de manera temprana puede ser clave para la supervivencia del paciente.
fácilmente se podría suponer que sólo un médico con años de experiencia
podría diagnosticar ese tumor y determinar si el paciente está desarrollando
cáncer o no.
¿Cierto?
Bueno, imagine que ha obtenido un conjunto de datos que contiene
características de miles de muestras de células humanas extraídas de
pacientes que se creía que estaban en riesgo de desarrollar cáncer.

El análisis de los datos originales mostró que muchas de las características

diferían significativamente entre muestras benignas y malignas.

Puedes utilizar los valores de estas características celulares en muestras de

otros pacientes para dar una indicación anticipada de si una nueva muestra
puede ser benigna o maligna.
Debes limpiar los datos, seleccionar un algoritmo adecuado para
construir un modelo de predicción, y entrenar tu modelo para entender
los patrones de células benignas o malignas dentro de los datos.

Una vez que el modelo ha sido entrenado por medio de datos iterativamente,
se puede utilizar para predecir tu célula nueva o desconocida con una precisión
bastante alta.
¡Esto es machine learning!

Es la forma en que un modelo de machine learning puede hacer la tarea de un

médico o, al menos, ayudarlo para hacer el proceso más rápido.

Ahora, permítame darle una definición formal de machine learning.

Machine learning es el subcampo de la ciencia de la computación que "da

a las computadoras la habilidad de aprender sin ser programadas
explícitamente.”

Permítanme explicar lo que quiero decir cuando digo "sin ser programadas
explícitamente."
Supongan que tienen un conjunto de datos de imágenes de animales como,
por ejemplo, perros y gatos, y quieran una aplicación o software sea capaz de
reconocerlos y diferenciarlos.

Lo primero que tienen que hacer es interpretar las imágenes como un conjunto
de conjuntos de características.
Por ejemplo, ¿la imagen muestra los ojos del animal?
Si es así, ¿cuál es su tamaño?
¿Tiene orejas?
¿Qué hay de una cola?
¿Cuántas piernas?
¿Tiene alas?
Antes de machine learning, cada imagen se transformaría en un vector de
características.
Entonces, tradicionalmente, tendríamos que escribir algunas reglas o métodos
para que las computadoras sean inteligentes y detecten a los animales.
Pero, fue un fracaso.
¿Por qué?
Bueno, como podrás adivinar, se necesitaba muchas reglas, muy dependientes
del conjunto de datos actual, y no lo suficiente generalizadas como para
detectar casos fuera de la muestra.
Este es el momento en que machine learning entró en escena.

Usar machine learning nos permite construir un modelo que observe

todos los conjuntos de características, y su correspondiente tipo de
animales, y aprender el patrón de cada animal.

Se trata de un modelo construido por algoritmos de machine learning.

Detecta sin haber sido programado explícitamente para hacerlo.
En esencia, el aprendizaje automático sigue el mismo proceso que un niño de 4
años utiliza para aprender, entender, y diferenciar a los animales.

Así, los algoritmos de machine learning, inspirados por el proceso de

aprendizaje humano, iterativamente aprenden de los datos, y permiten que las
computadoras encuentren información oculta.

Estos modelos nos ayudan en una variedad de tareas, tales como el

reconocimiento de objetos, resúmenes, recomendaciones, y así.

Machine Learning afecta a la sociedad de una forma muy influyente.

He aquí algunos ejemplos de la vida real.

En primer lugar, ¿cómo creen que Netflix y Amazon recomiendan videos,

películas y programas de televisión a sus usuarios?
¡Utilizan machine learning para producir sugerencias que podrías disfrutar!

Esto es similar a cómo tus amigos te pueden recomendar un programa de

televisión, basado en su conocimiento sobre los tipos de programas que te
gusta ver.
¿Cómo cree que los bancos toman una decisión al aprobar una solicitud de
préstamo?
Utilizan machine learning para predecir la probabilidad de impago para cada
solicitante, y luego aprueban o rechazar la solicitud de préstamo en base a esa
probabilidad.
Las compañías de telecomunicaciones utilizan los datos demográficos de sus
clientes para segmentarlos, o predecir si ellos se retirarán de su compañía el
próximo mes.
Hay muchas otras aplicaciones de machine learning que vemos todos los días
en nuestra la vida, como los chatbots, acceder a nuestros teléfonos o incluso
los juegos de ordenador usan el reconocimiento facial.

Cada uno utiliza técnicas y algoritmos diferentes de machine learning.

Por lo tanto, vamos a examinar rápidamente algunas de las técnicas más
populares.

La técnica de Regresión/Estimación se utiliza para predecir un valor

continuo, por ejemplo, predicción de cosas como el precio de una casa basada
en sus características, o para estimar la emisión de CO2 del motor de un coche.

Se utiliza una técnica de clasificación para predecir la clase o categoría, por

ejemplo, si una célula es benigna o maligna, o si un cliente se va a retirar o no.
Los grupos de casos similares, por ejemplo, pueden encontrar pacientes
similares, o pueden ser utilizados para la segmentación de clientes en el campo
bancario.
La técnica de asociación se utiliza para buscar elementos o sucesos que a
menudo se producen conjuntamente, por ejemplo, artículos de comestibles que
normalmente son comprados conjuntamente por un cliente en particular.
La detección de anomalías se utiliza para descubrir casos anormales e
inusuales, por ejemplo, se utiliza para la detección de fraude de tarjetas de
crédito.
La minería secuencial se utiliza para predecir el siguiente suceso, por
ejemplo, la secuencia de pulsación en sitios web.

La reducción de dimensión se utiliza para reducir el tamaño de los datos.

Y finalmente, los sistemas de recomendación; esto asocia las preferencias
de la gente con otros que tienen gustos similares, y recomienda nuevos
artículos para ellos, como libros o películas.

Cubriremos algunas de estas técnicas en los próximos videos.

En este punto, estoy bastante seguro de que esta pregunta ha cruzado su
mente, " ¿Cuál es la diferencia entre estas palabras que seguimos escuchando
estos días, como inteligencia artificial (o IA), Machine Learning y Deep
Learning?”
Bueno, permítanme explicar lo que es diferente entre ellos.
En breve, IA trata de hacer las computadoras inteligentes para imitar las
funciones cognitivas de los seres humanos.
Así que, la Inteligencia Artificial es un campo general con un amplio alcance,
incluyendo:
Proceso de lenguaje, creatividad y resumen.

Machine Learning es la rama de la IA que cubre la parte estadística de la

inteligencia artificial.
Enseña a la computadora a resolver problemas al mirar cientos o miles de
ejemplos, aprender de ellos, y luego usar esa experiencia para resolver el
mismo problema en nuevas situaciones.
Y Deep Learning es un campo muy especial de Machine Learning donde las
computadoras pueden aprender y tomar decisiones inteligentes por su cuenta.
Deep learning involucra un nivel más profundo de automatización en
comparación con la mayoría de los algoritmos de machine learning.

Ahora que hemos completado la introducción a Machine Learning, los videos

posteriores se enfocarán en la revisión de dos componentes principales:

Primero, aprenderás sobre el propósito de Machine Learning y donde se

puede aplicar en el mundo real.

En segundo lugar, obtendrá una visión general de los temas de Machine

Learning, por ejemplo, aprendizaje supervisado vs aprendizaje no supervisado,
evaluación de modelos y varios algoritmos de Machine Learning.
¡Así que ahora que tienes noción de lo que hay en reserva para este viaje,
continuemos nuestra exploración de Aprendizaje Máquina!

¡Gracias por ver!